Ray 是一个高性能的分布式执行引擎，开源的人工智能框架，目标之一在于：让开发者可以用一个运行在笔记本电脑上的原型算法，仅需添加数行代码就能轻松转为适合于计算机集群运行的（或单个多核心计算机的）高性能分布式应用。这样的框架需要包含手动优化系统的性能优势，同时又不需要用户关心那些调度、数据传输和硬件错误等问题。
与深度学习框架的关系：Ray 与 TensorFlow、PyTorch 和 MXNet 等深度学习框架互相兼容，在很多应用上，在 Ray 中使用一个或多个深度学习框架都是非常自然的（例如，UC Berkeley 的强化学习库就用到了很多 TensorFlow 与 PyTorch）。
与其他分布式系统的关系：目前的很多流行分布式系统都不是以构建 AI 应用为目标设计的，缺乏人工智能应用的相应支持与 API，UC Berkeley 的研究人员认为，目前的分布式系统缺乏以下一些特性：
-
支持毫秒级的任务处理，每秒处理百万级的任务；
-
嵌套并行（任务内并行化任务，例如超参数搜索内部的并行模拟，见下图）；
-
在运行时动态监测任意任务的依赖性（例如，忽略等待慢速的工作器）；
-
在共享可变的状态下运行任务（例如，神经网络权重或模拟器）；
-
支持异构计算（CPU、GPU 等等）。
Ray 有两种主要使用方法：通过低级 API 或高级库。高级库是构建在低级 API 之上的。目前它们包括 Ray RLlib，一个可扩展强化学习库；和 Ray.tune，一个高效分布式超参数搜索库。
Ray 的低层 API
开发 Ray API 的目的是让我们能更自然地表达非常普遍的计算模式和应用，而不被限制为固定的模式，就像 MapReduce 那样。
动态任务图
Ray 应用的基础是动态任务图。这和 TensorFlow 中的计算图很不一样。TensorFlow 的计算图用于表征神经网络，在单个应用中执行很多次，而 Ray 的任务图用于表征整个应用，并仅执行一次。任务图对于前台是未知的，随着应用的运行而动态地构建，且一个任务的执行可能创建更多的任务。
-
我们已经使用Drools引擎几年了，但是我们的数据已经增长了，我们需要找到一个新的分布式解决方案来处理大量数据。我们有复杂的规则，可以查看几天的数据，这就是为什么Drools非常适合我们，因为我们的内存中只有数据。 你对类似于流口水但分布式/可扩展的东西有什么建议吗？ 我确实对这件事进行了研究，但我找不到任何符合我们要求的东西。 谢谢
-
在Web一章中，我们提到MySQL很脆弱。数据库系统本身要保证实时和强一致性，所以其功能设计上都是为了满足这种一致性需求。比如write ahead log的设计，基于B+树实现的索引和数据组织，以及基于MVCC实现的事务等等。 关系型数据库一般被用于实现OLTP系统，所谓OLTP，援引wikipedia: 在线交易处理（OLTP, Online transaction processing）是指
-
一面 3.27 第一回遇到提前五分钟进来的面试官。。。 面试官介绍部门 问我知不知道 kkv？ 列存储怎么做？列存和行存的区别，使用场景？ 介绍了实习的工作 leveldb 读哪一层sst最耗时，为什么？ 如果前台不停的读，后台在做compaction ，会发生什么？ CMU 15445 问了分片buffer pool 的实现？ 怎么实现 buffer pool 的无锁化？ 如果现在 mmap 的
-
根据这两个教程：即教程1和教程2，我能够在完全分布式模式下设置HBase集群。最初，集群似乎工作正常。 hmaster/Name节点中的“jps”输出 datanodes/RegionServers中的jps输出 null （我已经试着在/etc/hosts/中评论与HBase相关的主机，但仍然没有成功） 在hbase-site.xml中
-
ShardingSphere 采用一套自动化的执行引擎，负责将路由和改写完成之后的真实 SQL 安全且高效发送到底层数据源执行。 它不是简单地将 SQL 通过 JDBC 直接发送至数据源执行；也并非直接将执行请求放入线程池去并发执行。它更关注平衡数据源连接创建以及内存占用所产生的消耗，以及最大限度地合理利用并发等问题。 执行引擎的目标是自动化的平衡资源控制与执行效率。 连接模式 从资源控制的角度看
-
一、分布式锁 数据库的唯一索引 Redis 的 SETNX 指令 Redis 的 RedLock 算法 Zookeeper 的有序节点 二、分布式事务 2PC 本地消息表 三、CAP 一致性 可用性 分区容忍性 权衡 四、BASE 基本可用 软状态 最终一致性 五、Paxos 执行过程 约束条件 六、Raft 单个 Candidate 的竞选 多个 Candidate 竞选 数据同步 参考 一、分